劉 迪,李 賓,2 綜述,姜曉峰,2△ 審校

1.哈爾濱醫(yī)科大學附屬第四醫(yī)院檢驗科,黑龍江哈爾濱 150001;2.黑龍江龍衛(wèi)精準醫(yī)學檢驗中心,黑龍江哈爾濱 150028

全球有近2.57億的慢性乙型肝炎病毒(HBV)感染患者,其中我國的感染患者約占全球感染人口的1/3[1]。HBV感染可以引起肝纖維化的進行性發(fā)展并逐漸導致代償期肝硬化的發(fā)生,一旦進展至失代償期肝硬化和肝細胞癌則會危及患者的生命[2]。肝纖維化是慢性乙型肝炎(CHB)發(fā)展為肝硬化的關鍵環(huán)節(jié),晚期肝纖維化及代償期肝硬化的纖維化進程通過及時干預是能夠逆轉的[3]。因此,早期診斷對延緩疾病發(fā)展和降低患者的死亡風險尤為重要。肝組織病理活檢仍然是肝硬化診斷的金標準,但其作為一種有創(chuàng)手段常常受到病變異質性導致的采樣誤差、病理醫(yī)生經驗不足導致的主觀誤差以及有創(chuàng)操作導致的疼痛、出血和感染等并發(fā)癥的限制,難以在臨床中廣泛應用[4-5]。目前評估肝硬化的非侵入性方法主要包括血清標志物檢測和提供肝臟硬度物理測量的成像技術。常規(guī)的血清指標檢測應用廣泛但缺乏肝臟特異性;彈性成像技術簡單、無創(chuàng),能夠減少70%的CHB患者的肝活檢需求,但受肥胖、腹水和肝臟炎癥水平的影響[6-7]。隨著人工智能在醫(yī)學領域的飛速發(fā)展,機器學習輔助構建肝硬化無創(chuàng)診斷模型成為研究者關注的重點。機器學習算法擅于將血清檢測和成像技術結合,篩選肝硬化與肝纖維化的高風險因素并構建有效組合模型[8]。現(xiàn)對近年來常見的無創(chuàng)預測模型的研究進展進行綜述,以期為乙型肝炎肝硬化的早期診斷及臨床精準治療提供證據。

1 簡單血清標志物模型

肝纖維化的間接標志物如多種肝臟合成酶和血小板(PLT)等,與肝纖維化沒有直接聯(lián)系但反映了肝功能障礙和肝臟的炎癥程度。以PLT、丙氨酸氨基轉移酶(ALT)、天冬氨酸氨基轉移酶(AST)和γ-谷氨酰轉肽酶(GGT)等為基礎構建的簡單血清生物標志物模型主要有APRI、FIB-4、GPR、 AGPR和GPSA。

1.1APRI模型 APRI模型是基于慢性丙型肝炎(CHC)患者的臨床數(shù)據所建立的無創(chuàng)診斷模型,僅由AST和PLT 2項指標組成,計算公式為APRI模型=AST×100/PLT[9]。有研究發(fā)現(xiàn),APRI模型在未經治療的CHB患者中評估乙型肝炎肝硬化的受試者工作特征曲線下面積(AUC)為0.721,而APRI模型在接受過治療的CHB患者中評估乙型肝炎肝硬化的AUC為0.810,表明該模型更適用于抗病毒治療后乙型肝炎肝硬化的診斷[10]。根據世界衛(wèi)生組織推薦的臨界值,當APRI>2時診斷乙型肝炎肝硬化的陽性預測值僅為32.1%,提示APRI模型在診斷乙型肝炎肝硬化時準確性不高,易導致漏診[11]。

1.2FIB-4模型 FIB-4模型是為評估HIV/HCV合并感染患者的肝纖維化程度而開發(fā)的,經多變量邏輯回歸分析顯示年齡(Age)、PLT、ALT和AST 4項指標與肝纖維化顯著相關,計算公式為FIB-4模型=(Age×AST)/(PLT×ALT1/2)[9]。在一個包含72項研究的薈萃分析中,使用FIB-4模型診斷CHB患者顯著纖維化、晚期纖維化和肝硬化的AUC分別為0.77、0.77和0.82,提示FIB-4模型識別肝硬化的能力優(yōu)于其他各階段纖維化,但診斷性能僅為中等[6]。雖然APRI和FIB-4模型已被《慢性乙型肝炎防治指南:2019年版》[12]推薦用于評估肝纖維化及肝硬化水平,但基于其他病因導致的肝硬化患者的臨床數(shù)據所開發(fā)的APRI和FIB-4模型,在CHB患者中的預測能力較低。

1.3GPR模型 GPR模型由LEMOINE等[13]基于135例接受肝活檢的西非CHB患者的臨床資料,利用機器算法開發(fā)的能夠替代肝活檢的新型模型,計算公式為GPR模型=(GGT/ULN) /PLT×100。該研究表明,絕大多數(shù)CHB患者處于非肝炎活動期而轉氨酶正常,GPR模型診斷乙型肝炎肝硬化的靈敏度可達85%,AUC為0.796,而取決于轉氨酶水平的APRI等模型診斷乙型肝炎肝硬化的靈敏度僅為25%,約75%的乙型肝炎肝硬化患者被錯誤分類[13]。在另一項包含17種無創(chuàng)模型的薈萃分析中,GPR模型在CHB患者的各纖維化階段表現(xiàn)較一致,診斷顯著纖維化、晚期纖維化和肝硬化的AUC分別0.744、0.777和0.802,但其診斷乙型肝炎肝硬化的準確性并不理想[11]。

1.4AGPR模型 AGPR模型是LIAO等[14]針對中國乙型肝炎的國情,以肝活檢為標準建立的一個包括堿性磷酸酶(ALP)、GGT和PLT在內的肝纖維化無創(chuàng)診斷模型,計算公式為AGPR模型=ALP+GGT /PLT。該研究證實AGPR與CHB患者的肝纖維化分期具有顯著的相關性,在訓練隊列中預測顯著纖維化、晚期纖維化和肝硬化的AUC分別為0.83、0.84和0.87,在驗證隊列中預測顯著纖維化、晚期纖維化和肝硬化的AUC分別為0.83、0.83和0.84。AGPR模型的診斷穩(wěn)定性較好且模型在訓練組和驗證組中預測乙型肝炎肝硬化的靈敏度高達88.6%和92.3%,能夠作為簡單的臨床指標用于CHB患者的常規(guī)監(jiān)測,但其排除乙型肝炎肝硬化的陰性預測值在訓練組和驗證組中僅為38.6%和28.4%,易造成誤差。

1.5GPSA模型 GPSA模型是KANG等[15]基于581例慢性HBV感染患者的臨床數(shù)據,采用多變量邏輯回歸構建的肝纖維化預測模型,計算公式為GPSA模型=7.987+0.087×XGGT-0.013×XPLT-0.422×XlogHBsAg-0.159×XALB。該研究根據ALT的不同參考上限值,由高至低將HBV感染患者分為Ⅰ、Ⅱ、Ⅲ、Ⅳ組,并驗證和比較了GPSA、APRI、FIB-4模型在評估各組患者肝硬化中的診斷效能。結果顯示APRI和FIB-4模型診斷各組患者肝硬化的AUC均不超過0.800,而GPSA模型在診斷各組患者肝硬化方面比APRI和FIB-4模型更準確,AUC分別為0.901、0.905、0.886、0.913。GPSA模型有助于準確評估乙型肝炎肝硬化,但缺乏更大規(guī)模的多中心隊列研究對其進行驗證。

2 復雜血清標志物模型

肝纖維化的直接標志物如透明質酸(HA)、α2-巨球蛋白(α2-MG)等能夠直接參與纖維生成和纖維蛋白溶解,在預測晚期纖維化和肝硬化時通常比間接生物標志物更準確[5]。以HA和α2-MG等為基礎并結合年齡等臨床參數(shù)構建的復雜血清生物標志物模型主要包括SLFG和Hepascore。

2.1SLFG模型 SLFG模型是第一個納入了肝纖維化的直接指標并用于評估CHB患者肝纖維化程度的算法模型,包括Age、α2-MG、GGT和HA,計算公式為SLFG模型=-13.995+3.220×Xlogα2-MG+3.096×XlogAge+2.254×XlogGGT+2.437×XlogHA[16]。SLFG模型僅入組了ALT水平重度升高的患者,使得患者間選擇偏倚較大。有研究證實SLFG模型可以識別大多數(shù)需要抗病毒治療的患者,在ALT水平正常(<40 U/L)、ALT水平輕度升高(40～80 U/L)和ALT水平重度升高(>80 U/L)的患者中模型預測乙型肝炎肝硬化的AUC分別為0.722、0.755和0.768,其診斷性能不受ALT水平影響[10]。既往研究表明,含有直接肝纖維化標志物的血清模型對CHB患者具有更好的診斷價值,但非常規(guī)指標α2-MG 的結果因缺乏標準化范圍可能會影響SLFG模型的臨床應用結果[17]。

2.2Hepascore模型 Hepascore模型是在CHC患者中采用機器算法構建的肝纖維化預測模型,計算公式為Hepascore模型=Y/(Y+1),其中Y=exp[-4.185 818-0.024 9×XAge+0.746 4×1(男性)或0(女性)+1.003 9×Xα2-MG+0.030 2×XHA+0.069 1×XBIL-0.001 2×XGGT][18]。結果表明該模型能夠準確地預測CHC患者不同程度的肝纖維化,其診斷顯著纖維化、晚期纖維化和肝硬化的AUC分別為0.85、0.96和0.94。但在另一項基于CHB患者的多種非侵入性診斷模型的比較分析中,截斷值為0.697時,Hepascore模型診斷乙型肝炎肝硬化的AUC為0.76,且Hepascore模型排除乙型肝炎肝硬化的準確度僅為50%[19]。Hepascore模型可能是準確預測肝硬化的重要手段,但其在乙型肝炎肝硬化患者中的診斷性能仍需進一步驗證。

3 新型血清標志物模型

近些年來新發(fā)現(xiàn)的肝臟疾病相關的血清標志物逐漸成為研究者關注的熱點,如高爾基體蛋白73(GP73)和銅藍蛋白(CP)等被證實在肝硬化進程中起著重要作用,聯(lián)合其他血清學指標構建的無創(chuàng)診斷模型如GAPA和CPHBV顯示出比以往的模型更具潛力的前景[20]。

3.1GAPA模型 GAPA模型是由翟相威等[21]通過邏輯回歸分析開發(fā)的代償期乙型肝炎肝硬化診斷模型,計算公式為Logit(P)= 1/[1+exp(1.614-0.054×XGP73-0.045×XAge+0.030×XPLT-0.015×XALP)]。有研究證實,GP73在各種病因導致的肝硬化患者血清中高表達,對肝硬化有很大的診斷價值[22]。在330例接受肝活檢檢查的CHB患者中,GAPA模型診斷乙型肝炎肝硬化的AUC為0.877,靈敏度和特異度分別為83%和79%。翟相威等[21]的研究證實GAPA模型與肝活檢表現(xiàn)一致性較好,其診斷乙型肝炎肝硬化與肝活檢診斷的符合率高達82.93%,是確定臨床治療決策的可信賴模型,但GP73仍未應用于常規(guī)檢測,降低了該模型的臨床實用性。

3.2CPHBV模型 CPHBV模型是KANG等[23]基于275例血清ALT水平持續(xù)正常的HBV感染患者的臨床數(shù)據所構建的纖維化預測模型,計算公式為CPHBV模型=37.122-10.072×XlogCP-4.291×XlogPLT-0.958×XlogHBsAg。有研究表明CP是一種由肝細胞分泌的糖蛋白,它與肝纖維化水平呈負相關,是預測肝纖維化及肝硬化潛在的生物標志物[24]。KANG等[23]的研究利用多變量分析確定了肝纖維化的獨立風險因素CP、HBsAg和PLT,并構建了CPHBV模型,該模型預測顯著纖維化、晚期纖維化和肝硬化的AUC分別為0.842、0.920和0.904,當評分>0.533時僅有28.6%的乙型肝炎肝硬化患者被錯誤分類,提示該模型應用于臨床可以在一定程度上減少不必要的肝活檢,但目前模型研究的標本量相對較小,這可能會影響模型的實際診斷效果。

4 肝臟硬度測量值(LSM)聯(lián)合血清標志物無創(chuàng)模型

新興的彈性成像技術包括瞬時彈性成像(TE)、剪切波彈性成像(SWE)和磁共振彈性成像(MRE)等影像技術作為肝活檢的替代手段得到了廣泛的研究,其中SWE又包括點剪切波彈性成像(pSWE)和二維剪切波彈性成像(2D-SWE)。這些成像技術利用肝纖維化的物理特性,通過量化物理脈沖或機械驅動在肝組織內產生的橫波速度及組織移位來獲得LSM,可用于乙型肝炎肝硬化的風險評估和管理[25]。大量研究表明,相比已有的血清學模型,TE、SWE和MRE等彈性成像技術對肝硬化的診斷具有更高的準確度[26-28]?；趥鹘y(tǒng)超聲的彈性成像技術,TE操作簡單、安全無創(chuàng)、可重復性好,可應用于床旁和門診進行常規(guī)檢測,已被中華醫(yī)學會指南推薦應用于肝纖維化和肝硬化的評估[12]。MRE和SWE可自由選定意向區(qū)域進行檢測,測量中不受體型、腹水等傳統(tǒng)超聲技術的干擾因素影響[25]。各種無創(chuàng)檢測手段各有其優(yōu)勢,但單獨應用的診斷準確性與肝臟活檢相比仍有待提高,利用機器學習將彈性成像技術與血清學指標聯(lián)合起來的多維度評估使診斷模型更有希望被推廣應用于臨床。

4.1HLC Index模型 HLC Index模型是由ZHANG等[29]使用多因素邏輯回歸建立的一個由Ⅲ型前膠原氨基端肽(PⅢ-NP)、Ⅳ型膠原(Ⅳ-C)、HA、PLT和LSM組成的列線圖模型,并在前瞻性隊列研究中對其診斷性能進行了獨立驗證。列線圖模型以乙型肝炎肝硬化為因變量,PⅢ-NP、Ⅳ-C、HA、PLT和LSM為自變量,每個變量都得到一個分數(shù),將所有變量的總分求和后定位到總分量表中,能夠更加直觀地觀察乙型肝炎肝硬化發(fā)生的概率,總分越高說明診斷為乙型肝炎肝硬化的概率越高。ZHANG等[29]的研究結果表明HLC Index模型與肝纖維化水平顯著相關,在訓練組和獨立驗證組中診斷乙型肝炎肝硬化的AUC分別為0.866和0.852,顯著高于APRI、 FIB-4和2D-SWE等單一診斷模型。結合LSM與血清學指標建立的列線圖模型能夠實現(xiàn)簡單、便捷的個體化診斷,指導臨床抗病毒治療決策。

4.2AAF模型 AAF模型是由WU等[30]基于452例未經治療的CHB患者的臨床資料開發(fā)的新型無創(chuàng)診斷模型。計算公式為AAF模型=exp(Y)/[1+exp(Y)],其中Y=1.509×XAST+1.089×Xlg抗-HBc+0.308×XLSM-7.969。先前研究已證實AST是反映肝臟炎癥程度的良好指標,LSM在診斷肝纖維化方面顯示出較高的準確性,抗-HBc水平與肝臟的炎癥及纖維化程度顯著相關,該模型結合了AST、LSM和抗-HBc,能夠同時識別肝臟的炎癥和纖維化程度。WU等[30]的研究結果表明AAF模型診斷乙型肝炎肝硬化的AUC為0.876,顯著高于AST、抗-HBc和LSM單項診斷。當模型的臨界值為0.65時,54.6%的CHB患者可以避免肝活檢。AAF模型有潛力成為減少CHB患者肝活檢的有效工具,但這項多中心研究納入的CHB患者的基礎特征存在異質性且模型的計算公式復雜,可能會影響模型在臨床中的實際應用。

5 小結和展望

隨著醫(yī)學水平和人工智能技術的飛速發(fā)展,開發(fā)能夠替代肝活檢的無創(chuàng)診斷模型成為人們關注的熱點。雖然血清學診斷模型具有無創(chuàng)、可重復檢測、便于隨訪等優(yōu)點,但其診斷肝硬化的靈敏度和準確度較低。LSM在評估肝纖維化方面顯示出比血清學模型更好的診斷性能,但仍存在不足之處。MRE和SWE在測量中不受體型、腹水等傳統(tǒng)超聲技術的干擾因素影響,但需要專業(yè)設備檢測且設備價格昂貴,難以在臨床中廣泛應用。TE是最早用于檢測LSM的彈性成像技術,目前對基于TE的聯(lián)合血清學模型研究更為廣泛,但這項技術仍受炎癥水平的影響,在肥胖及腹水的患者中適用性降低。利用機器算法將LSM與血清學標志物聯(lián)合起來構建無創(chuàng)診斷模型,增加了診斷維度并結合了二者的優(yōu)勢,能夠進一步提高乙型肝炎肝硬化診斷的準確性。此外,盡管本文沒有對放射組學在肝纖維化評估中的應用進行討論,但近年的研究發(fā)現(xiàn)利用人工智能提取肝臟影像的紋理特征,能夠更全面、更深層次地區(qū)分肝臟微小的紋理改變,從而減少人工診斷肝纖維化的主觀誤差。未來在人工智能的輔助下將不斷探索血清學檢測和成像技術的最佳組合,并進一步在更大規(guī)模的隊列和獨立驗證隊列中驗證模型的診斷性能。